企业官网建设流程全解析

自从 ComfyUI 火起来之后，网上铺天盖地都是教程，但大多数教程的终点都是同一个动作：去某位大佬网盘里下整合包。整合包确实很香，解压就能跑，可一旦你换了显卡、加了新插件、想要升级到新版，问题就来了。自己手动做一次 ComfyUI 本地部署，不是装X，而是把“能不能跑、为什么跑不动、坏了怎么修”这几个能力彻底交回自己手里。这篇不是让你背命令，而是把我自己从入门到折腾一路踩过的坑拆开给你看，照着做一遍，后面再遇到报错，你大概率能自己解决。

1. 为什么本地部署 ComfyUI 值得自己动手

1.1 本地部署解决什么痛点

先说个很现实的事：很多人一开始用的是在线绘图平台或云端 ComfyUI，这种模式的好处是零配置，打开网页就能出图。但用久了你会发现，免费额度很快就没了，传工作流时如果节点涉及自定义插件，平台不一定支持，而且你的图片、提示词、训练素材全都在别人服务器上，敏感项目根本不敢放上去。

本地部署就是把整个 ComfyUI 环境搬到你自己电脑里，模型文件、工作流、插件全部躺在本地硬盘上。没有额度限制，没有排队，断电断网也能继续折腾。更重要的是，你能随时改代码、调参数、装新插件，自由度比任何在线版本都高。

还有一个经常被忽略的点：本地部署是学习 AI 绘图底层逻辑的最好入口。当你亲手配置了 Python 环境、装好 PyTorch、启动服务、加载模型，你就会明白所谓“AI 绘画”并不是一个黑盒，而是一套有输入输出、有依赖关系的本地程序。这种理解，是花钱买在线会员买不到的。

1.2 整合包 vs 手动部署：我为什么不无脑推荐整合包

国内最流行的是秋叶整合包，这个确实做得很用心，自带空环境、常用插件、模型下载工具，小白拿到手解压就能跑。但整合包有三个天生短板：

我见过不少用整合包的人，遇到一个报错就去群里发截图“求大佬看看”，等的过程中什么都干不了。而手动部署的人，看到报错会先去看 log，查路径，activate 虚拟环境，用 pip list 对比缺什么包。这不是说整合包不好，而是整合包的“省事”只在第一次安装时有效，之后每一次折腾都是在替你承担不确定性。

所以我的建议是：如果你只是想随便玩玩，整合包可以。但如果你打算认真用 ComfyUI 做项目、批量出图、研究工作流，我强烈建议你至少手动部署一次。哪怕最后你还是用回整合包，这次手动部署也会让你知道整合包帮你在背后做了什么。

1.3 “不求人”的真正含义

这个教程标题叫“不求人”，不是因为我会把所有答案都写出来，而是想帮你建立一套自己解决问题的能力。ComfyUI 的变化非常快，几乎每个月都有新插件、新模型、新参数，没有任何一篇教程能永远包办未来所有问题。

当你掌握了手动部署这套流程，以后遇到任何新工具，比如本地部署其他大模型、部署 Whisper 服务、跑本地视频生成，你都能举一反三：先看官方文档，检查硬件是否达标，配置环境，拉代码，装依赖，找模型，跑通 hello world。这条路走通了，你就不再需要到处找人帮你“远程看一下”了。

2. 动手前的硬件评估与环境准备

2.1 显卡与显存才是核心

ComfyUI 的绘图计算主要在 GPU 上完成，CPU 也能跑，但速度会慢到怀疑人生。所以第一件事就是确认你的显卡型号和显存大小。

显存决定了你能跑多复杂的模型、多大的图片尺寸。常见的误区是拿电脑内存来替代显存，这两个是完全不同的东西。内存是 CPU 用的临时存储，显存是 GPU 专用的高速存储，AI 模型运行时权重、中间特征图都放在显存里，内存再大也没法直接弥补显存缺口，顶多靠 CPU offload 硬撑，速度会断崖式下降。

我实际操作中的体会是：8GB 显存是一个舒适起点。如果你只有 4GB 也不是不能玩，但建议从 SD 1.5 模型起步，把图片设置成 512x512 或者 512x768，不要一上来就挑战 1024 以上的图。

2.2 系统、驱动与 CUDA 环境

ComfyUI 官方支持 Windows、Linux 和 macOS。大部分新手用 Windows，我教程也以 Windows 为例，但 Linux 思路完全一致，只是命令稍微不同。

显卡驱动是很多人忽略的关键点。你装完显卡后，如果从来没有更新过驱动，PyTorch 可能认不出你的 GPU。建议去显卡官网或设备管理器更新到较新的正式版驱动。NVIDIA 用户可以在驱动面板里看 CUDA 版本信息，驱动足够新的话，PyTorch 的 CUDA 运行库可以自动适配，不用单独全局安装 CUDA Toolkit。

一个实用的检测方法：在命令行里运行nvidia-smi，如果能看到显卡信息和右上角的 CUDA Version，说明驱动正常。然后再在你的 Python 虚拟环境里运行python -c "import torch; print(torch.cuda.is_available())"，如果输出 True，说明 PyTorch 和 GPU 已经成功对接。

不要盲目去装最新 CUDA，PyTorch 对 CUDA 版本有要求，但通常只要驱动版本高于最小要求就行。反而是驱动过旧更容易出现问题。

2.3 必要的软件基础准备

手动部署 ComfyUI，最简配置需要这三样：

• Python 3.10 或 3.11：ComfyUI 官方建议 3.10 以上，3.12 兼容性有波动。我建议无脑 Python 3.10.11，稳定、省心。
• Git：用来拉取 ComfyUI 源码和安装自定义节点。
• 现代浏览器：ComfyUI 是个 Web 界面服务，Chrome 或 Edge 都行。

另外建议准备一个顺手的终端工具，Windows 用户用 PowerShell 就够，不推荐用 CMD 因为复制粘贴编码容易出问题。如果你经常要下载国内源的大模型，可以额外准备一个支持断点续传的下载器，这个后面会专门讲。

这些都是基础软件，装的时候注意一点：Python 安装时一定要勾选Add Python to PATH，否则后面运行 python 命令会提示“不是内部或外部命令”。同理，Git 安装时有一步让你选择编辑器，保持默认的 Vim 就行，不需要换。

3. ComfyUI 完整手动部署流程

3.1 获取 ComfyUI 源码与目录结构

打开终端，进入你打算放项目的地方，然后执行：

git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI

如果你在 GitHub 拉取速度很慢，可以用国内的加速镜像地址，把github.com换成镜像站域名，效果和官方仓库完全一致。整个 ComfyUI 项目不大，几 MB 而已，等几秒就能下载完。

拉取完之后，建议先看一眼目录结构，这对后面的排查至关重要：

• main.py：启动入口，服务端主程序。
• models/：模型统一存放目录，里面又细分 checkpoints、loras、vae、controlnet、upscale_models 等子目录。
• custom_nodes/：自定义节点和插件放在这里，每个插件是一个子文件夹。
• input/：默认的图片输入目录，工作流里加载图片会用到。
• output/：生成的图片默认保存到这里。
• web/：前端界面文件，正常情况下不用动。
• requirements.txt：Python 依赖列表。

理解目录结构之后，你后面遇到“为什么找不到模型”这类问题，第一反应就是去检查models/checkpoints里有没有 .safetensors 文件，而不用等别人告诉你。

3.2 创建 Python 虚拟环境与安装依赖

直接在全局环境里pip install -r requirements.txt是新手最容易踩的坑。这样做很可能和你电脑上其他 Python 项目的依赖产生冲突，尤其是 torch 这种体积大、版本敏感的库。正确做法是创建独立虚拟环境。

Windows PowerShell 下执行：

python -m venv venv .\venv\Scripts\Activate.ps1

激活后命令行前面会出现(venv)标记，后面的安装都装在这个隔离环境里，不污染系统 Python。Linux / macOS 下激活命令是source venv/bin/activate。

然后安装依赖。ComfyUI 的 requirements.txt 包含常规依赖，但 torch 通常建议单独安装，因为默认源里的 torch 不一定带 CUDA 支持。我建议先装 torch：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

然后安装剩余依赖：

pip install -r requirements.txt

如果网络状况不好，可以把 pip 源切换到清华镜像，但注意 torch 的 cu121 轮子文件比较大，清华镜像不一定全，所以 torch 那一步最好保留官方源。装完之后验证 GPU 可用：

python -c "import torch; print(torch.cuda.is_available()); print(torch.__version__)"

这一步我至少遇到三次“明明驱动装了但输出 False”的情况，最后排查下来都是 torch 装成了 CPU 版本。大家装完务必看一眼 torch.version，如果是 +cpu 结尾，说明没装上 CUDA 版，重新用 cu121 源装一遍。

3.3 下载基础模型与放置路径

ComfyUI 本身没有模型，它只是一个绘图引擎，真正出图靠的是模型文件。最常用的是 Stable Diffusion 系列模型，文件名通常是.safetensors，体积在 2GB 到 7GB 之间。

下载模型有几个来源：一是国外模型站（Hugging Face 上有官方仓库），二是国内各种模型社区，三是一些模型聚合站。如果你在国外模型站下载速度很慢，建议配置国内镜像环境变量，比如在终端里运行：

$env:HF_ENDPOINT = "https://hf-mirror.com"

之后再执行任意 huggingface 下载命令，都会自动走国内镜像。这是合规且普通的国内镜像加速方案，我实测下载速度能快很多，强烈建议用。

模型文件放哪里很关键。基础模型放在models/checkpoints目录下，一个文件对应一个模型。比如你下载了sd_xl_base_1.0.safetensors，就把它放到：

ComfyUI/models/checkpoints/sd_xl_base_1.0.safetensors

其他类别模型也都有固定位置：

• LoRA 模型：models/loras
• VAE 模型：models/vae
• ControlNet 模型：models/controlnet
• 放大模型：models/upscale_models
• CLIP 模型：models/clip
• T2I-Adapter 模型：models/adapters

如果你分不清某类文件放哪，可以启动 ComfyUI 后看界面的 Load 节点，它的下拉列表就是扫描这些目录得到的。我之前直接把 ControlNet 文件放到 checkpoints，结果加载节点里怎么都找不到，最后才发现路径错了。

3.4 首次启动 ComfyUI 与界面初识

模型放好之后，启动就很简单了：

python main.py

首次启动会加载一堆模块，看到类似To see the GUI go to: http://127.0.0.1:8188的提示，就说明服务跑起来了。浏览器打开这个地址，就是 ComfyUI 的图形界面。

如果想省去每次敲命令的麻烦，可以在 ComfyUI 根目录建一个启动.bat，内容写：

@echo off call venv\Scripts\activate.bat python main.py pause

以后双击就能启动。注意确定.bat文件编码是 ANSI，否则中文注释可能变乱码。

第一次进界面，你会看到一张由各种方块和连线组成的默认工作流。这个界面看起来复杂，理解起来其实很简单：左边是控制区，中间是节点画布，每个节点负责一个任务，连线表示数据流向，从“加载模型”开始，经过“正向提示词”、“KL采样器”、“VAE解码”，最后到“保存图片”。鼠标右键可以呼出节点菜单，双击空白处会出现节点搜索框。

我的建议是第一次先别急着修改节点，直接点击默认工作流中的Queue Prompt按钮生成一张测试图。如果能看到第一张图顺利跑出来，说明你的部署已经成功了一大半。

3.5 安装常用自定义节点与插件

ComfyUI 的原生节点能完成基础文生图、图生图，但很多高级功能需要自定义节点支持，比如 ControlNet 控制、视频生成、放大细化、翻译提示词等等。安装自定义节点最优雅的方式是使用 ComfyUI Manager。

在custom_nodes目录下执行：

git clone https://github.com/ltdrdata/ComfyUI-Manager.git

重启 ComfyUI 后，界面右侧会出现一个“Manager”菜单。点进去可以浏览所有插件，点击 Install 就能在线安装。以后启动时如果有插件更新，Manager 也会提示。

常用插件我列几个，按需装，别一次装太多：

• ComfyUI Manager：插件管理器，必装。
• ComfyUI ControlNet Aux：ControlNet 相关预处理器。
• Ultimate SD Upscale：图片放大插件。
• ComfyUI Impact Pack：局部重绘和检测类节点。
• AIGODLIKE-ComfyUI-Translation：中文翻译插件，适合英文不好的朋友。

注意一个原则：插件装得越多，出问题的概率越大。每安装一个新插件，都要重启一次 ComfyUI，确认能正常加载，再继续装下一个。否则一上来装十来个插件，报错你都不知道是哪一个引起的。

4. 排错手册与性能优化实战

4.1 启动报错最常踩的坑

手动部署后第一个报错十有八九是：ModuleNotFoundError: No module named 'torch'。这个报错说明你当前运行 Python 的虚拟环境没有装 torch。原因通常是终端里没激活 venv，或者激活失败。眼尖的朋友可以在命令行前面看有没有(venv)标记，没有就重新执行激活命令。

第二个高发报错是：Could not find model或者低阶列表空白。这种情况几乎都是模型文件路径不对，去对应的 models 子目录检查一下文件名和后缀，ComfyUI 不认中文名和空格，建议统一改成字母和下划线命名。

第三个常见问题是端口被占用，启动时提示Address already in use。要么把其他占 8188 端口的程序关掉，要么启动时换一个端口：

python main.py --port 8189

如果你是从整合包转手动部署，还有一个容易忽略的问题：旧的整合包 python 环境和手动部署的环境可能共用显卡驱动缓存，出现奇怪的情形。我遇到过一次启动就崩溃，最后重启电脑、清空__pycache__目录才正常。

4.2 显存不足与 OOM 处理

生成图片时最常见的是爆显存，报错一串CUDA out of memory。这个报错不要慌，它只是告诉你显存不够，不一定是配置有问题。处理方法按优先级排序：

第一，降低图片分辨率。SD 1.5 默认 512x512，你如果强行拉到 1024x1024，8GB 显存直接爆。先把分辨率降到显存能承受的范围，跑通之后再想办法放大。

第二，减小 Batch size。Batch size 是同时处理的图片数量，默认 1 就行，有的人为了“效率”调成 4，显存立刻翻四倍，不爆才怪。

第三，启用 ComfyUI 的低显存模式。启动时加上参数：

python main.py --lowvram

这个模式会把部分模型层暂时放到内存，换取显存空间，但速度会变慢。还有--novram是禁用显存卸载，不推荐。

第四，拆解流程。不要在一个工作流里同时加载多个大模型或大量 ControlNet 模型，比如先用大模型出图，再单独交给放大工作流处理。写工作流的时候尽量精简节点，减少中间张量占用的显存。

4.3 模型下载失败或加载后效果异常

模型下载失败在网络不稳定的地区很常见。解决办法其实很简单：不要用浏览器直接下载，大文件推荐带断点续传的下载器，或者先用网盘离线下载再转到本地。下载完成后检查文件大小是否和源站一致，很多“加载失败”其实是文件不完整。

另外有一种情况：模型加载成功，但生成出来的图全是黑图或噪点。这种八成是 VAE 出了问题。很多基础模型自带的 VAE 不一定好，你需要额外下载一个修复过的 VAE 文件放到models/vae，然后工作流里在“VAE 解码”节点前强制加载。如果你用的是 SDXL 模型，还可能是正负提示词格式不对，SDXL 一般推荐使用prompt加negative_prompt的写法，具体要看工作流模板。

还要注意模型版本匹配。比如你下载一个 ControlNet 模型，必须和基础模型版本一致，SDXL 的 ControlNet 不能用于 SD 1.5，否则不报错，但结果完全没有控制效果，让人误以为插件坏了。

4.4 性能调优：实测有效的几个方向

很多人觉得出图慢就跑不动了，其实 ComfyUI 的可调参数很多，我实测下来这几个方向最有效：

优先更新显卡驱动。一次驱动升级能让性能提升 10% 到 20%，这是最容易忽略的免费优化，别整天折腾代码。

然后是模型加载方式。ComfyUI 默认把模型完整加载到显存，如果你同时开了浏览器、录屏软件，显存被抢占会导致性能下降。关闭不必要的程序，给 ComfyUI 留出干净的显存空间。

还有采样器选择。不同的采样器速度和画质差异很大，同等步数下，DPM++ 系列速度适中，Euler 系列更快，适合初步测试。实际项目出图时不要盲目追求高步数，20 到 30 步通常是甜点区间，30 步以上画质提升递减，时间却线性增加。

最后，升级 PyTorch 版本。每次 PyTorch 大版本更新，对运算图的优化都很明显。定期在虚拟环境里更新一下：

pip install --upgrade torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

4.5 备份与升级习惯

手动部署之后，更新 ComfyUI 只需要在根目录执行：

git pull

然后重启服务。但这一步有个前提：你要先备份自己的东西。models目录里的模型文件少则几 GB，多则几十 GB，不需要备份到网盘，但至少要做好清单，记录文件名和用途。custom_nodes目录里可能有你手动改过的代码，更新主程序前先确认插件兼容性。

我个人的习惯是每次升级前先复制一份custom_nodes和input目录，保存到另一个文件夹，再把models/checkpoints的目录结构截图存下来。升级后如果出问题，我直接恢复旧目录，两分钟就回去了。别嫌麻烦，我在升级后遇到过插件和核心不兼容，整个环境废掉的情况，没有备份就得重新配半天。

5. 工作流与进阶玩法：部署完只是开始

5.1 导入别人的工作流

本地部署成功之后，最爽的事就是可以到处导入别人分享的工作流文件。工作流通常是.json文件，在 ComfyUI 界面中直接把 JSON 文件拖入浏览器空白处，就能自动生成节点结构。

但导入之后大概率会遇到两种情况：一是提示缺失某个自定义节点，二是提示缺少某个模型。缺失自定义节点时，打开 Manager 搜索对应插件安装；缺失模型时，看提示的模型文件名，去相应目录补上。

有个小技巧：导入工作流之前，先把 JSON 文件用文本编辑器打开，搜索ckpt_name、lora_name等字段，可以提前看到需要哪些模型文件，免得导入后一个一个查。用久了你就会发现，很多人分享工作流时并不附上所有模型链接，模型管理能力才是真正拉开差距的地方。

5.2 模型管理技巧

模型一多，管理就成了大问题。我现在的models/checkpoints里有二十多个模型，全靠命名规范硬记是不现实的。我总结了一套自己的方法：

• 文件名统一格式：类别_风格_版本.safetensors，比如realistic_photography_v10.safetensors。
• 在模型目录里放一个说明.md，记录每个模型的来源、用途、推荐参数。
• 定时清理长期不用的模型，硬盘空间被几十个几 GB 的模型占满是很常见的悲剧。
• 如果两个目录需要共用模型，可以用符号链接（Windows 下mklink），不用复制两份，省空间省时间。

LoRA 模型管理同理。很多 LoRA 文件的触发词写在文件名里，建议文件名保留原始触发词和版本信息，不要为了好看改成“头像风格1”这种名字，否则你会在关键时刻完全想不起来它该怎么用。

5.3 生成视频与动画的扩展玩法

当你把传统文生图、图生图流程跑顺之后，ComfyUI 更广阔的玩法是视频生成和动画。比如一些基于扩散模型的视频生成节点、AnimateDiff 系列插件，本质上也是在本地跑大模型，只是输入输出从单帧变成了多帧。

视频生成对显存的要求比单图又上了一个台阶。我的建议是先从低分辨率、短视频帧数开始，比如 512x512、8 到 16 帧，跑通流程后再逐步提升。视频模型的模型文件体积更大，加载更慢，建议单独给视频工作流配置一个低显存优化版本，别和文生图工作流混在一起。

5.4 把 ComfyUI 作为本地服务给团队用

如果你跑熟了，想让局域网内其他电脑访问你的 ComfyUI，可以在启动时加参数：

python main.py --listen 0.0.0.0 --port 8188

这样同一局域网下的其他设备，就能通过你的电脑 IP 访问这个服务。适合团队共用一台高性能机器做测试。不过要注意两点：一是别让写死的本地路径或模型路径暴露给不受信任的人，二是局域网多人同时出图会抢占显存，最好按人头分时间段错峰使用。

6. 我踩过坑之后总结的三条经验

这篇内容快写完了，最后分享几条我在实际使用中沉淀下来的经验，句句是换来的教训。

第一，不要追求一步到位。第一次手动部署时，我雄心勃勃地想一次性装好所有插件，结果整整两天都在处理节点冲突。你不需要一上来就装 ControlNet、视频生成、LoRA 训练一大堆，先用原生节点把基础流程跑熟，再按项目需求逐步加装。稳定跑通默认工作流，比什么都强。

第二，日志是你最好的老师。ComfyUI 终端里的日志不是摆设，每一个节点运行都会打印相关信息，报错时先看最后几行，找红色或 error 字样。我排查过的绝大多数问题，最后都能在日志里找到原因。不要一遇到报错就急着截图求人，先自己花两分钟看日志，你常常能自己解决。

第三，模型文件是你最贵重的资产。环境可以重新配，代码可以重新下，但几十 GB 的模型下载成本可能比安装运行环境还高。我每次动 models 目录前都会确认备份状态，转移文件夹时优先用支持校验的工具，防止文件损坏。

ComfyUI 本地部署这条路，不算平坦，但走通之后你会发现在这个 AI 工具疯狂迭代的时代，你终于有了一套可以不依赖别人的本地创作环境。以后不管换显卡、懂 Python、玩新模型，你都能自己搞。这才是真正的“不求人”。

祝你的第一次Queue Prompt顺利跑出一张好图。